Hvordan og hvorfor Warehouse-Native Analytics bygger neste generasjon produktanalyse på Snowflake

(Denne artikkelen ble først publisert på Snowflake Blog: På innsiden av dataskyen)

Hendelsesdata for å spore en brukers reise har alltid vært viktig for produktanalyse - men vi ser nå endringer i hvordan virksomheter jobber med og håndterer dataene sine, inkludert hendelsesdata.

Denne utviklingen er i stor grad drevet frem av skyens disruptive innvirkning. De resulterende endringene i forretningsmodeller og grunnleggende teknologier har gitt opphav til neste generasjons funksjoner for praktisk talt alle programvarekategorier, inkludert produktanalyse. Neste generasjons produktanalyse er nå warehouse-native, en arkitektonisk tilnærming som gjør det mulig å skille mellom kode og data. I denne modellen vedlikeholder leverandørene av neste generasjons produktanalyse koden for analyseapplikasjonen som en tilkoblet app, mens kundene administrerer dataene i sin egen dataplattform i skyen.

Første generasjons produktanalyse

I 2009 introduserte Mixpanel kritiske funksjoner for å kartlegge detaljerte hendelser i forhold til hvordan en bruker kan samhandle med en app - på nettet eller på mobilen. Mixpanel skulle radikalt forbedre måten markedsførings-, produkt- og utviklingsteam kunne identifisere drivere for engasjement og utvikle produktene sine på. Alle beslutninger kunne begrunnes med data.

Førstegenerasjonsverktøyene har integrerte produktinstrumenteringsbiblioteker som samler inn og lagrer data i svarte bokser på lukkede analyseplattformer. Fordi de bare fanger opp digitale produkthendelser og er frakoblet fra de aller fleste bedriftsdata, jobber de bare med en svært liten delmengde av kundedataene. I beste fall kan de hente inn et begrenset sett med egenskaper fra et datalager i bedriften ved hjelp av omvendte ETL-verktøy.

Produktanalyse i dag

Basert på samtaler med kunder og potensielle kunder anslår Optimizely Warehouse-Native Analytics at 80 % av bedriftene er nødt til å duplisere og eksportere produktinstrumentdata til et datavarehus og berike dem med andre forretningsdata for å kunne

• Få en fullstendig oversikt over kunde- og kontonivå-reiser
• Forstå attribusjon
• Utlede tverrfunksjonell forretningsinnsikt som vil interessere ledere og andre interessenter

I tillegg til en rekke datahåndteringsproblemer skaper denne tilnærmingen en stor avhengighet av data- og analyseteam som skal levere tilpassede SQL- og BI-rapporter. BI-verktøyene er imidlertid ikke utviklet for analyse av tidsserier og hendelsesdata, noe som fører til at de ikke passer sammen med typiske produktanalysevisualiseringer som trakter og stier. Dessuten går konteksten tapt når man går fra de rikere datamodellene i den lagerbaserte tilnærmingen tilbake til førstegenerasjonsverktøyene. Og ikke overraskende kan det ta flere timer å skrive og teste tilpasset SQL på trakt- og banespørringer, og det kan ta to eller flere uker å lage tilpassede rapporter. Dette hindrer den naturlige nysgjerrigheten til produktteam og vekstmarkedsførere som ønsker å få innsikt raskt.

Den første generasjonen av produktanalyseverktøy handlet først og fremst om å spore og administrere front-end-hendelser. Derfor må disse verktøyene ofte suppleres med bredere innsamlingsløsninger for å få med back-end-instrumentering via løsninger som Segment, Rudderstack eller Snowplow. Uansett er sporing fortsatt det viktigste når det gjelder implementeringsinnsats og tilhørende forretningsverdi. Selv om førstegenerasjonsverktøyene tilbyr analysefunksjoner, kommer de forhåndsdefinerte rapportene ofte til kort, og brukerne klager stadig over mangelen på BI-lignende funksjoner som de er vant til fra verktøy som Tableau.

Muligheten

Førstegenerasjons produktanalyseverktøy ble introdusert for over ti år siden, og i løpet av denne tiden har det skjedd en annen viktig teknologisk utvikling: den moderne datastakken. Det grunnleggende prinsippet i den moderne datastakken er at alle data samles på et sentralisert, skybasert sted som Snowflake. Et felles sentrallager gir fordeler når det gjelder konsistens, sikkerhet, styring og administrasjon. Og viktigst av alt, som den eneste sannhetskilden for alle data, kan det bidra til å unngå eller helt eliminere duplisering av data og dyre ETL-rørledninger.

I den moderne datastakken er analyseverktøy og -funksjoner som BI og AI/ML allerede plassert direkte på dataplattformen. Så hvorfor skulle ikke produktanalyse fungere på samme måte?

Med andre ord bør produktanalyse også være integrert i kundens dataplattform, og leveres som én enkelt tilkoblet app med de beste analysefunksjonene i klassen. Problemet er at arbeidsmengden for produktanalyse er ekstremt kompleks, og krever muligheten til å søke i hendelsesstrømmer og relasjonsdata samtidig. Det er vanskelig nok å få disse arbeidsbelastningene til å fungere, for ikke å snakke om selvbetjening.

Optimizely Warehouse-innfødte analyser: Den tilkoblede appen for dataplattform-native produktanalyser

Optimizely Warehouse-Native Analytics tar tak i disse utfordringene med en tilkoblet app for neste generasjons produkt- og atferdsanalyse som kjører naturlig på toppen av Snowflake som en selvbetjent analyseplattform. Optimizely Warehouse-Native Analytics skiller applikasjonskode fra instrumentering og andre forretningsdata, som kundene selv administrerer i sin egen Snowflake-forekomst.

Som en tilkoblet applikasjon spør Optimizely Warehouse-Native Analytics direkte mot alle hendelses- og referansedata i Snowflake, samtidig som det gir den analytiske kraften til BI til selvbetjent produktanalyse. Dette gir deg muligheten til å

• Få selvbetjente svar på alle spørsmål ved å ta utgangspunkt i et rikholdig bibliotek med rapporteringsmaler, med mulighet til å svinge sømløst frem og tilbake mellom alle rapporter og ad hoc-visuell datautforskning.
• Unngå å skrive og vedlikeholde kompleks SQL for trakt- og patchtypespørringer, men ha muligheten til å utnytte SQL for spesialiserte analyser.
• Kombiner produktinstrumentering med alle forretningsdata i dataplattformen for å få kontekstrik analyse.

Det er på tide å fokusere på "analytics"

Der førstegenerasjons verktøy fokuserte på "produktet" i produktanalyse, fokuserer neste generasjons løsninger på "analysen". De starter med en sky- og plattforminnfødt tilnærming og bruker den tilkoblede appmodellen til å levere førsteklasses produkt- og atferdsanalysefunksjoner. Optimizely Warehouse-Native Analytics utnytter styrken til en tilkoblet app for å tilby avansert atferdsprofilering med hendelsesstrømanalyse, samtidig som den utnytter de fleksible modellerings- og analysefunksjonene til BI, direkte på Snowflake.

I stedet for bare å rapportere om produkttall, kan forretningsbrukere nå få en dypere forståelse av atferdsmønstrene på tvers av kanaler som driver adopsjon, engasjement og viktige forretningsmål som inntekter og oppbevaring på kontonivå. Det er enkelt å komme i gang. Det er bare å koble seg til Snowflake, så er du i gang på under en time. Hvis du vil vite mer, kan du besøke Optimizely Warehouse-Native Analytics.